DAY 1 - На борту искусственного интеллекта: на устройстве Edge, Raspberry Pi (EN) - Констант Брайдон

Более трех лет работал постоянным консультантом Octo Technology по анализу и обработке данных. Окончил Ecole Normale Supérieure, где получил большой опыт в прикладных исследованиях: после окончания, он стал соавтором 4 статей, опубликованных на специализированных конференциях. Две из них связаны с телекоммуникациями, а еще две — с человеко-машинными интерфейсами. Имея степень магистра по специальности Прикладная математика, Констант провел год в NICTA (сейчас Data61 в Csiro) в Сиднее, работая над темами в области анализа и обработки данных в рамках исследовательской группы машинного обучения. Желая делиться своими знаниями, Констант совмещает работу в качестве консультанта с постоянными миссиями по обучению благодаря организации Octo — OCAC. Он отвечает за несколько сфер: Основы анализа и обработки данных, продвинутый анализ и обработка данных, Pig & Hive, Spark с Python и Scala. Он хочет стать преподавателем по большим данным AWS. Кроме того, Констант возглавляет серьезное технологическое наблюдение двух дисциплин в области анализа и обработки данных: интерпретация ансамблей моделей (градиентный бустинг), и развертывание алгоритма машинного обучения на выделенном оборудовании. Он представил свою работу на Европейской конференции, 4 в 2017 году, 3 в 2018 году и принял участие в составлении специального выпуска № 100 журнала Linux Mag: Глубокое обучение: от теории к практике. И, наконец, с января 2018 года Констант участвует в гонках Iron Car. Цель состоит в том, чтобы использовать rasberry и камеру для превращения игрушечного автомобиля в автономный с использованием моделей глубокого обучения.

Приложения для машинного обучения являются новыми в разработке программного обеспечения, и их, как правило, трудно создавать. Как отмечено Google в статье (источник : https://papers.nips.cc/paper/5656-hidden-technical-debt-in-machine-learning-systems.pdf), это происходит в основном потому, что приложения гораздо шире самой модели. Однако, на удивление, приложение для машинного обучения следуют двойному закону Парето. С одной стороны, 80 % времени, потраченного на создание таких приложений, уходит на проблемы машинного обучения, а 20 % оставшегося времени – на интеграцию модели в запущенное приложение. С другой стороны, только 20 % строк кода относятся конкретно к машинному обучению; остальное относится к интеграции и выполнению. Я хотел бы сначала изучить основы этой тенденции, чтобы потом показать, почему она убивает разработку и устойчивость приложений для машинного обучения. Для того, чтобы дать советы и рекомендации внедрения модели глубокого обучения в рабочую среду, я хотел бы использовать демонстрацию модели, созданной для распознавания чертежей автомобилей с помощью камеры Raspberry Pi. Кроме того, определив основные этапы жизненного цикла (подготовку, развертывание и использование), я сделаю акцент на типичных ошибках, о которых забывают при создании успешного продукта с машинным обучением.